MATLAB محصولات دانلودی

آموزش کاربردی شبکه عصبی در پردازش تصاویر ماهواره ای در محیط متلب – آموزش شبکه عصبی در متلب

آموزش شبکه عصبی در متلب
محمد کاکوئی
نوشته شده توسط محمد کاکوئی

آموزش شبکه عصبی در متلب شامل بیش از ۵ ساعت آموزش کاربردی است و با مشاهده این آموزش کاملا بر این مبحث در نرم افزار متلب مسلط خواهید شد.

محققان علوم مختلف و مهندسان از دیرباز رویای ساختن یک ماشین یا وسیله اتوماتیک که دارای هوش باشد، را در سر می­ پروراندند. اگرچه اولین مقالات مرتبط با شبکه های عصبی مصنوعی (ANN) بیش از ۵۰ سال پیش منتشر شدند، اما این موضوع در اوایل دهه ۹۰ مورد توجه ویژه قرار گرفت و هنوز هم از پتانسیل تحقیق بالایی برخوردار است.

برنامه های مربوط به سیستم های هوشمند، طیف گسترده ای را شامل می­ شوند که عبارتند از:

  • تجزیه و تحلیل داده ­های سنجش از دور از قبیل ماهواره ها
  • طبقه بندی الگوی گفتار و نوشتار
  • تشخیص چهره
  • پیش بینی سهام در بازار مالی
  • شناسایی ناهنجاری در تصاویر پزشک
  • کنترل ابزار و وسایل الکترونیکی

شبکه های عصبی مصنوعی مدل های محاسباتی هستند که از سیستم عصبی موجودات زنده الهام گرفته شده اند که بخشی از آن در شکل زیر نشان داده شده است.

آنها توانایی به دست آوردن و ذخیره دانش (مبتنی بر اطلاعات) را دارند و می توانند به عنوان مجموعه واحدهای پردازشی، که توسط سلول های عصبی مصنوعی نشان داده می شوند، تعریف شوند. واحدهای پردازشی توسط اتصالات فراوان (سیناپس های مصنوعی) به هم پیوسته هستند، که این کار توسط بردارها و ماتریس های وزنی سیناپسی انجام می شوند (شکل زیر).

مهمترین ویژگی های مربوط به ساز و کارهای مبتنی بر شبکه عصبی مصنوعی عبارتند از:

الف) سازگاری با تجربه

پارامترهای داخلی شبکه (معمولاً وزن سیناپسی آن) با بررسی نمونه های پی در پی (الگوها، نمونه ها یا اندازه گیری ها) مربوط به رفتار فرآیند تنظیم می شوند و بدین ترتیب امکان کسب دانش توسط تجربه فراهم می شود.

ب) توانایی یادگیری

با استفاده از یک روش یادگیری، شبکه می تواند رابطه موجود بین چندین متغیر را استخراج کند.

 ج) قابلیت تعمیم

پس از اتمام فرایند یادگیری، شبکه می تواند دانش کسب شده را تعمیم دهد و تخمین راه حل هایی را که تاکنون ناشناخته است، ممکن می سازد.

د) سازمان­دهی داده

براساس اطلاعات ذاتی یک فرآیند خاص، شبکه می تواند این اطلاعات را سازماندهی کند. بنابراین می تواند خوشه بندی الگوهای با خصوصیات مشترک را انجام دهد.

ه) تحمل خطا

به لطف تعداد زیاد ارتباطات بین نورون های مصنوعی، اگر بخشی از ساختار داخلی آن تا حدی خراب شود، شبکه عصبی به یک سیستم با قابلیت تحمل خطا تبدیل می شود.

و) ذخیره سازی توزیع شده

دانش در مورد رفتار یک فرآیند خاص که توسط یک شبکه عصبی آموخته شده است در هر یک از چندین سیناپس بین سلول های عصبی مصنوعی ذخیره می شود. بنابراین باعث بهبود استحکام معماری در صورت وجود برخی از سلول های عصبی می شود.

شبکه های عصبی مصنوعی می توانند در مسائل مرتبط با مهندسی و علوم استفاده شوند. این شبکه ها به صورت بالقوه دارای توانایی حل مسائل زیر هستند:

  • تخمین تابع
  • کنترل فرآیند
  • تشخیص / طبقه بندی الگو
  • خوشه بندی داده ها
  • سیستم پیش بینی
  • بهینه سازی سیستم

مشخصات محصول آموزشی

  • قیمت: ۱۵۰ هزار تومان
  • مدرس: دکتر محمد کاکوئی
  • تخصص: متخصص برنامه نویسی، یادگیری ماشین، پردازش تصویر در MATLAB و سنجش از دور در Google Earth Engine
  • موضوع:  آموزش کاربردی شبکه عصبی در متلب (MATLAB)
  • نرم افزار: متلب (MATLAB)
  • ماهواره: لندست-۸  و سنتینل-۲ و تصاویر هوایی با رزولوشن ۳۰ و ۵ سانتی­ متر
  • فرمت آموزش: ویدئوهای آموزشی MP4
  • طول آموزش: حدودا ۵ ساعت و ۱۸ دقیقه
  • کد تمرینی: دارد

توضیحات محصول آموزشی

شبکه های عصبی از عناصر ساده ای تشکیل شده اند که به صورت موازی کار می کنند. این عناصر از سیستم عصبی بیولوژیکی الهام گرفته شده اند. مانند طبیعت ، عملکرد شبکه تا حد زیادی توسط اتصالات بین عناصر تعیین می شود. ما می توانیم با تنظیم مقادیر اتصالات (وزن ها) بین عناصر، یک شبکه عصبی را برای انجام یک عملکرد خاص آموزش دهیم.

معمولاً شبکه های عصبی تنظیم و یا آموزش داده می شوند، به طوری که یک ورودی خاص منجر به یک خروجی هدف خاص می شود. چنین وضعیتی در شکل زیر نشان داده شده است. در آنجا، شبکه بر اساس مقایسه خروجی و هدف تنظیم می شود و این کار تا زمانی که خروجی شبکه با هدف مطابقت داشته باشد، تکرار می­ شود. به طور معمول تعداد زیادی از این جفت های ورودی / هدف، در این یادگیری نظارت شده، برای آموزش یک شبکه استفاده می شوند.

آموزش شبکه عصبی در MATLAB

آموزش شبکه عصبی در MATLAB

آموزش دسته ای یک شبکه با ایجاد تغییر در وزن و بایاس و بر اساس کل مجموعه ای از بردارهای ورودی انجام می شود. آموزش افزایشی، وزن و بایاس های شبکه را مطابق نیاز پس از ارائه هر بردار ورودی تغییر می دهد. شبکه های عصبی برای انجام کارکردهای پیچیده در زمینه های مختلف کاربرد از جمله شناسایی الگو آموزش داده می­ شوند.

جعبه ابزار شبکه عصبی در متلب (MATLAB) به گونه ای توضیح داده شده است که در صورت بهره مندی از این آموزش می ­توانید بدون مشکل از ساختار گرافیکی GUI و توابع آن استفاده کنید. برای این کار، در ویدئو ۱ اصول اولیه مدل نورون و معماری شبکه های عصبی ارائه شده است. همچنین در مورد توانایی های شبکه ­های عصبی در حل مسائل مختلف و روش های آموزش آن­ها توضیحاتی ارایه شده است.

در ویدئوی دوم، نحوه فراخوانی داده های آموزشی و داده های اصلی توضیح داده می ­شوند. در نتیجه­ این بخش، باقی ویدئوها با بهره گیری از این بخش، داده های مورد نیاز را آماده می­ کنند. در این ویدئو داده لندست ۸ و دادهای آموزش با هدف آن­ها با فرمت CSV فراخوانی می­ شوند.

در ویدئوهای سوم و چهارم، مدل نورون و معماری یک شبکه عصبی توصیف می کند که چگونه یک شبکه ورودی خود را به یک خروجی تبدیل می کند. این تحول را می توان به عنوان یک محاسبه مشاهده کرد. مدل و معماری هر کدام محدودیت هایی را در مورد آنچه که یک شبکه عصبی خاص می تواند محاسبه کند، تعیین می کند. در ویدئوی سوم از رابط کاربر گرافیکی (GUI) برای آموزش شبکه عصبی استفاده می­ شود. در ویدئوی چهارم، این کار با کد نویسی در MATLAB انجام می­ شود.

در ویدئوی پنجم، کاربردهای زیر با کمک شبکه عصبی آموزش می بینند و به مناطق مد نظر اعمال می ­شوند. در ویدئوی ششم، مباحث خلاصه شده به صورت اجمالی مرور و موضوعات مختلف جمع بندی می­ شوند.


معرفی و بخشی از ویدئوی آموزشی


عناوین آموزشی

عناوین آموزشی شامل موارد زیر می باشد:

ویدئوی شماره ۱: مبانی شبکه عصبی

  • سیستم عصبی موجودات زنده و شبکه عصبی مصنوعی
  • نرون، وزن ها و بایاس
  • تابع نرون (Active Function)
  • لایه ورودی، لایه مخفی و لایه خروجی
  • ریاضیات شبکه عصبی
  • فرآیند آموزش شبکه عصبی
  • مثال آموزش شبکه پرسپترون
  • معیار ارزیابی آموزش شبکه عصبی و جلوگیری از Underfitting و Overfitting
  • توانایی شبکه های عصبی مختلف در تفکیک فضای داده

ویدئوی شماره ۲: فراخوانی داده ها

  • خواندن داده TIF
  • انجام تنظیمات مربوط به اندازه تصویر
  • تغییر چیدمان تصویر به شکل ماتریسی و ستونی
  • خواند داده آموزش با فرمت CSV

ویدئوی شماره ۳: آموزش شبکه عصبی با GUI متلب

  • بررسی Transfer Function های موجود در متلب
  • مرور ساختار الگوریتم­های آموزشی موجود در متلب
  • بررسی معیارهای کارایی (MSE، SSE و …. )
  • شبکه عصبی پرسپترون، شبکه عصبی پیشخور (Feed Forward)، رقابتی (Competitive) و ….
  • آموزش و اجرای شبکه های عصبی با GUI های مختلف

ویدئوی شماره ۴: آموزش شبکه عصبی با کدنویسی

  • کدنویسی آموزش شبکه عصبی
  • ذخیره شبکه آموزش دیده در قالب تابع
  • بررسی مولفه های مختلف قابل تنظیم در کدهای شبکه عصبی

ویدئوی شماره ۵: چند مثال کاربردی

  • طبقه بندی و خوشه بندی در کاربردهای مختلف
  • طبقه بندی پوشش زمین (Land Cover) با داده سنتینل-۲
  • شناسایی ساختمان ها در تصاویر هوایی با رزولوشن ۳۰ سانتی متر
  • برچسب زنی مفهومی (Semantic Labeling) با تصاویر هوایی با رزولوشن ۵ سانتی متر

ویدئوی شماره ۶: جمع بندی

  • خلاصه سازی از موارد آموزشی
  • جمع بندی موارد ارائه شده

تهیه آموزش:

به منظور تهیه این محصول آموزشی بر روی دکمه زیر کلیک کنید:


آموزش های مرتبط با نرم افزار متلب:


 

۲۱ دیدگاه

    • سلام
      آموزش (Training) شبکه های CNN و شبکه های عمیق، نیازمند سیستم قدرتمند یا سامانه های cloud است. با توجه به فیدبکی که از این محصول به دست میاد در مورد قدرت سیستم های پردازشی کاربران تخمینی به دست میاد و میتوان در مورد سودمند بودن این اموزش تصمیم گیری کرد.
      اما ان شالله در رابطه با به کارگیری شبکه های از قبل آموزش دیده، محصولی تولید خواهد شد.
      موفق باشید

  • سلام و وقب بخیر،عذر میخوام امکان تهیه ی منحنی انعکاس هردرخت (با داشتن مختصات آن) در بازه ی ۴۰۰ تا ۲۵۰۰ نانومتر بصورت ۱nm ،۱nm با استفاده از تصاویر سنتینل-۲ هست؟

    • سلام و وقت بخیر
      سنتینل-۲ یک ماهواره MultiSpectral هست و شما به یک ماهواره HyperSpectral برای این هدف نیاز دارید.
      موفق باشید

    • با سلام و احترام
      متاسفانه بنده در این زمینه تستی رو انجام ندادم و اطلاعات کافی ندارم. تا جایی که میدونم باندهای سنتینل ۲ از لحاظ طیفی این قابلیت را ندارد که تغییرات بازتابی را بصورت ۱ نانومتر ۱ نانومتر نمایش دهد. در این گونه از موارد باید از داده های ابرطیفی استفاده شود.

      موفق باشید

  • با سلام
    لبه قرمز چیست ؟
    ۱٫افزایش ناگهانی بازتاب طیفی در محدوده ۰٫۸میکرومتر
    ۲٫افزایش ناگهانی بازتاب طیفی در محدوده ۰٫۷میکرومتر
    در کتاب های سنجش از دوری گفته محدوده نزدیک به ۰٫۸ اما اکثرا شنیدیم محدوده ۰٫۸ ممنون میشم راهنماییم کنید که جواب درست کدومه.

    • سلام
      در واقع هر دو تا تعریف درسته
      باند قرمز در حدود ۰٫۶۷ میکرومتر و باند مادون قرمز در حدود ۰٫۸۵ نانومتر هست.
      و عموما به تصاویری که در فرکانس های بین این دو بگیریم (یا در همین حدود!)، Red Edge میگوییم. می توانید به باندهای Red Edge سنتنیل-۲ نگاه کنید و ببینید در چه فرکانس هایی قرار دارد.
      موفق باشید

    • سلام
      سوال تان را واضح بپرسید
      دستورات سری nc شامل ncread و …. برای داده های nc استفاده میشود
      موفق باشید

          • شبکه عصبی به صورت بالقوه توانایی این کار رو داره و از شبکه های عصبی که در این محصول آموزش داده میشود هم میشود استفاده کرد.
            اما تمرکز کاربرد شبکی عصبی در اینجا مبتنی بر پردازش تصاویر ماهواره ای است.

  • با عرض سلام و خسته نباشید
    آقای مهندس ممنون بابت مطالب عالی که ارائه کردید
    فقط برای من یک مسئله که خیلی اهمیت داره و حل نشد در این آموزش، در ارتباط با طبقه بندی تصاویر به شکل SUPERVISED و با داشتن نقاط LABEL دار و یا هر نوع داده ای که از قبل LABEL خورده و کلاس های مشخی داره (نقشه های طبقه بندی شده براساس روش های ماشین لرنینگ سنتی، یا هر روش دیگری) و معرفی اون به عنوان TARGET به چه نحو باید این کار رو انجام بدیم

    • سلام و سلامت باشید
      در تمام آموزش از داده های دارای Label که در فرمت csv ذخیره شده بود برای آموزش شبکه استفاده شده و بعد از آموزش شبکه، آن را به یک تصویر اعمال کردیم.
      منظور شما چیست؟

      • سلام،
        منظور بنده در مورد تفکیک تصویر به کلاس های با Label مشخص هست
        و نه صرفا خوشه بندی
        ممنون

        • سلام مجدد
          آموزش ها را مجددا بررسی کنید
          به جز شبکه LVQ که یک شبکه خوشه بندی است، بقیه شبکه ها مبتنی بر Label ها آموزش دیدند و به طبقه بندی پوشش منطقه در تصاویر پرداختیم.
          برای تست علاوه بر تصاویر سنتینل-۲ و لندست-۸ که طبقه بندی LC با شبکه عصبی در آن ها انجام شد، از تصاویر هوایی با رزولوشن ۵ سانتی متر نیز بهره بردیم و در یک کاربرد Semantic Classification این طبقه بندی را براساس Label های موجود، انجام دایدم.
          موفق باشید

  • سلام جناب کاکوئی وقتتون بخیر

    برای تهیه نقشه همبستگی بین دو پارامتر( در طی ۳۰ سال و با فرمت انسی )بطوری که هر پیکسل در تاخیر زمانی (لگی)که ماکزیمم همبستگی مشاهده میشه, همبستگی رو نمایش بده. در محیط متلب احتیاج به آموزش یا همکاری شما دارم. این امکان برای شما وجود داره?
    با تشکر

دیدگاهتان را بنویسید

اگر تمایل به تدریس و تولید آموزش و کسب درآمد دارید لطفا بر روی دکمه زیر کلیک کنید و فرم را پر کنیدپر کردن فرم همکاری در تهیه ویدئوهای آموزشی
+ +